آزمون كارايي نرم‌افزار با رويكرد يادگيري فعال به همراه شبكه مولد تخاصمي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

در سال‌هاي اخير، با گسترش اينترنت پرسرعت و افزايش نيازهاي اينترنتي، تعداد كاربران نرم‌افزارهاي تحت وب افزايش چشمگيري يافته است. اين امر موجب افزايش سطح انتظارات كاربران در پاسخ‌دهي برنامه، در نتيجه افزايش كيفيت نرم‌افزار شده و اهميت آزمون نرم‌افزار در مراحل مختلف چرخه حيات آن را نشان مي‌دهد. يكي از مراحل مهم در چرخه حيات نرم‌افزار، آزمون نرم‌افزار است كه در اين ميان، آزمون كارايي به دليل بررسي عملكرد نرم‌افزار در شرايط و ورودي‌هاي مختلف از اهميت ويژه‌اي برخوردار است. در واقع، آزمون كارايي راه‌حلي براي شناسايي گلوگاه‌هاي بالقوه و كشف‌نشده نرم‌افزار، بر اساس مدت زمان پاسخ‌دهي و حجم منابع مصرفي، ارائه مي‌كند. به دليل تعداد زياد تركيب‌هاي ورودي قابل بررسي، انجام آزمون دستي بسيار پرهزينه و عملاً غيرممكن است. در اين راستا، محققان در سال‌هاي اخير مدل‌هاي زيادي براي شناسايي خودكار گلوگاه‌هاي نرم‌افزاري ارائه كرده‌اند. هدف از اين مدل‌ها، بهبود نتايج حاصل از فرآيند آزمون كارايي است. در اين پژوهش، با استفاده از روش‌ها و الگوريتم‌هاي هوشمند يادگيري عميق، تلاش شده تا آزمون كارايي به نتايج بهتري نسبت به كارهاي مشابه در شناسايي گلوگاه‌ها و كاوش بيشتر محيط دست يابد. در روش‌هاي پيشنهادي اين پژوهش، با تركيب مدل CGAN در روش ACTA با ديگر اعضاي خانواده شبكه‌هاي مولد تخاصمي، دو مدل ارائه شد كه توانايي توليد داده‌هاي گلوگاهي متنوع‌تر با توزيع نزديك‌تر به داده‌هاي اصلي (كاهش فاصله 23 و 35 درصدي) را داشتند. هم‌چنين، با تغيير استراتژي نمونه‌برداري داده‌هاي نامطمئن در هر دو مدل به استراتژي k-means به منظور ارسال داده‌هاي نامطمئن به اوراكل، هزينه ناشي از برچسب‌گذاري نسبت به مدل پايه (با توجه به ماهيت خوشه‌اي گلوگاه‌ها) 72 تا 73 درصد كاهش يافت. علاوه بر اين، نتايج نشان‌دهنده افزايش سرعت يادگيري در دو مدل پيشنهاد شده نسبت به مدل‌هاي پيشنهادي قبلي و افزايش 16 و 4 درصدي صحت مدل مولد نسبت به مدل پايه است.

233513

نرم افزار

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان